Precision senza precedenti nella stima della carica delle batterie EV
Nel panorama in continua evoluzione della mobilità elettrica, la capacità di un veicolo di comunicare con precisione il proprio stato di carica (SOC) non è più un semplice dettaglio tecnico, ma un pilastro fondamentale per la fiducia del conducente, l’efficienza energetica e la sicurezza operativa. Mentre i veicoli elettrici (EV) conquistano quote di mercato sempre più ampie, la pressione per perfezionare ogni aspetto del sistema di gestione della batteria, il Battery Management System (BMS), si intensifica. Un punto critico in questo contesto è la stima accurata del SOC, un parametro che, se calcolato in modo impreciso, può tradursi in indicazioni fuorvianti sull’autonomia, cicli di carica inefficienti e un’accelerazione del degrado della batteria. Un team di ricercatori della State Grid Jingmen Power Supply Company ha compiuto un balzo in avanti significativo in questo campo, presentando un nuovo modello di intelligenza artificiale che promette di ridefinire gli standard di precisione.
Il lavoro, pubblicato sulla rivista Northeast Electric Power Technology, introduce un approccio innovativo denominato ISSA-KELM. Questo modello combina una versione migliorata dell’algoritmo di ricerca del passero (Sparrow Search Algorithm, SSA), battezzata ISSA (Improved Sparrow Search Algorithm), con una macchina di apprendimento estremo basata su kernel (Kernel Extreme Learning Machine, KELM). Sviluppato da Chen Baihan, Yang Wei, Wan Wenxin e Liu Chuang, questo metodo non solo raggiunge una precisione di stima del SOC superiore, ma lo fa anche con una stabilità e una velocità di convergenza che lo rendono particolarmente adatto per un’implementazione in tempo reale nei BMS dei veicoli moderni.
La stima del SOC è un problema intrinsecamente complesso. A differenza di un serbatoio di carburante, dove il livello del liquido è direttamente osservabile, lo stato di carica di una batteria agli ioni di litio è una condizione interna che deve essere inferita da segnali elettrici e termici. I metodi tradizionali, come l’integrazione amperometrica (Ah) o la misurazione della tensione a circuito aperto, sono notoriamente suscettibili a una serie di fattori che ne compromettono l’affidabilità in condizioni di guida reali. Deriva causata da errori di misurazione della corrente, l’influenza della temperatura ambientale, gli effetti di invecchiamento e le variazioni della capacità della batteria nel tempo sono solo alcuni degli ostacoli che possono portare a errori significativi. Questi errori non sono semplicemente un fastidio per il conducente; possono rappresentare un rischio operativo, permettendo scariche troppo profonde che danneggiano irreversibilmente la cella o portando a una gestione termica inadeguata.
Di fronte a queste limitazioni, la comunità scientifica ha esplorato ampiamente soluzioni basate sull’intelligenza artificiale. Modelli come le reti neurali, le macchine a vettori di supporto (SVM) e le macchine di apprendimento estremo (ELM) si sono dimostrati strumenti potenti per modellare la relazione non lineare e dinamica tra gli ingressi (tensione, corrente, temperatura) e lo stato di carica. Tuttavia, la performance di questi modelli dipende criticamente dalla selezione adeguata dei loro parametri interni. Un ELM, ad esempio, è noto per la sua velocità di addestramento, ma la sua precisione può degradarsi se i parametri chiave, come il coefficiente del kernel e il termine di penalizzazione, non sono ottimizzati correttamente. Questo processo di ottimizzazione degli iperparametri è tradizionalmente un’operazione complessa, spesso affidata a tecniche di prova e errore o ad algoritmi di ottimizzazione che possono rimanere intrappolati in soluzioni subottimali, note come minimi locali.
È qui che l’innovazione proposta dal team di Jingmen diventa decisiva. Invece di utilizzare un algoritmo di ottimizzazione standard, i ricercatori hanno sviluppato una versione significativamente migliorata del SSA. Il SSA originale è un algoritmo metaeuristico ispirato al comportamento di foraggiamento e di fuga dai predatori dei passeri. La sua principale forza è la capacità di convergere rapidamente verso soluzioni ottimali. Tuttavia, come molti algoritmi di questo tipo, può soffrire di convergenza prematura, rimanendo bloccato in un ottimo locale senza riuscire a trovare la soluzione globalmente migliore in tutto lo spazio di ricerca.
Per superare questa debolezza, il team ha implementato tre strategie di miglioramento ingegnose. Il primo passo è stato l’inizializzazione caotica basata su Logistic. Invece di generare la popolazione iniziale di “passeri” (soluzioni candidato) in modo completamente casuale, il team ha utilizzato una mappa caotica Logistic per distribuirli in modo più uniforme e diversificato su tutto lo spazio di ricerca. Questa strategia garantisce che l’algoritmo inizi esplorando un’ampia gamma di possibili soluzioni fin dall’inizio, riducendo drasticamente la probabilità che il processo di ricerca si concentri troppo presto su una regione subottimale. È un po’ come inviare una squadra di ricerca non in punti casuali, ma seguendo un pattern che copre sistematicamente un’area vasta, massimizzando le possibilità di trovare il bersaglio.
La seconda innovazione è l’introduzione di un peso d’inerzia non linearmente decrescente. Questo concetto, mutuato da algoritmi come l’ottimizzazione per sciame di particelle (PSO), controlla il delicato equilibrio tra “esplorazione” (la ricerca di nuove aree dello spazio di ricerca) ed “exploitation” (il perfezionamento di una soluzione promettente). All’inizio del processo di ottimizzazione, il peso d’inerzia è alto, permettendo ai “passeri” di compiere grandi movimenti e di esplorare aggressivamente l’ambiente. Man mano che le iterazioni procedono, questo peso diminuisce in modo non lineare, consentendo movimenti più piccoli e precisi. Questo meccanismo aiuta l’algoritmo a evitare oscillazioni e a convergere in modo più morbido e stabile verso il risultato ottimale, evitando di “rimbalzare” intorno alla soluzione giusta.
La terza e forse la più sofisticata delle migliorie è l’integrazione del volo di Lévy nel comportamento dei “passeri sentinella”. Il volo di Lévy è un modello di ricerca stocastico osservato in natura, caratterizzato da una combinazione di molti piccoli passi e salti occasionali molto lunghi. Questo pattern si è dimostrato estremamente efficiente per trovare risorse in ambienti sconosciuti o complessi. Incorporando questo meccanismo nell’algoritmo ISSA, i “passeri” acquisiscono una maggiore capacità di “fuggire” da una soluzione localmente ottimale che potrebbe non essere la migliore in assoluto. È come se, riconoscendo che una zona non offre più cibo, un passero compia un salto lungo e casuale in una posizione completamente nuova, aumentando esponenzialmente le sue possibilità di trovare un campo più ricco. Questa caratteristica è fondamentale per garantire che l’algoritmo riesca a sfuggire ai minimi locali e trovi la soluzione globalmente ottimale per i parametri del modello KELM.
Una volta perfezionato l’algoritmo ISSA, è stato utilizzato per ottimizzare il modello KELM. Il KELM è una variante del ELM che utilizza una funzione di kernel per trasformare i dati di ingresso in uno spazio di dimensioni superiori, dove le relazioni non lineari diventano più facili da modellare. Questo approccio combina la velocità di addestramento del ELM con una migliore capacità di generalizzazione, rendendolo ideale per problemi complessi come la stima del SOC.
Il modello è stato addestrato utilizzando dati di una cella di batteria al fosfato di ferro e litio (LFP), una chimica molto popolare nei veicoli elettrici grazie alla sua elevata sicurezza, stabilità termica e lunga durata. I dati, raccolti con un ciclatore Neware, comprendevano 400 campioni di tensione, corrente, temperatura e il valore reale del SOC. Il 95% dei dati (380 campioni) è stato utilizzato per addestrare il modello, mentre il restante 5% (20 campioni) è stato riservato per testare la sua precisione su dati mai visti prima. Prima dell’addestramento, tutte le variabili di ingresso sono state normalizzate per garantire che nessuna dominasse il processo di apprendimento.
Il processo di ottimizzazione ha dato risultati eccellenti. L’algoritmo ISSA è riuscito a regolare i parametri del KELM fino a raggiungere un errore quadratico medio (RMSE) di soli 0.0113 sul set di addestramento, e lo ha fatto in sole 57 iterazioni. In confronto, l’algoritmo SSA originale ha richiesto 109 iterazioni per raggiungere un RMSE di 0.0155. Questa differenza non dimostra solo la superiore efficienza dell’ISSA, ma anche la sua capacità di trovare una soluzione di qualità migliore in meno tempo.
La prova decisiva, tuttavia, è arrivata con il set di test. Qui, il modello ISSA-KELM ha dimostrato una precisione eccezionale. L’errore relativo massimo, che misura la deviazione peggiore in qualsiasi punto della predizione, è stato di soli 6,232%. Questo valore è significativamente inferiore all’8,643% del modello SSA-KELM e al 13,150% di un modello PSO-LSSVM (ottimizzato con sciame di particelle), utilizzato come riferimento. Un errore massimo così basso è cruciale per le applicazioni di sicurezza, in quanto minimizza il rischio che il sistema BMS sottostimi gravemente la capacità residua della batteria, un errore che potrebbe portare a una scarica completa e a danni irreparabili.
L’errore relativo medio (MAPE), che indica la precisione media delle predizioni, è stato del 3,964%. Questo livello di accuratezza significa che l’indicazione di autonomia sul cruscotto del veicolo sarebbe estremamente affidabile, riducendo drasticamente l'”ansia da autonomia”, uno dei principali ostacoli psicologici all’adozione dei veicoli elettrici. Inoltre, l’RMSE finale sul set di test è stato di 0,0197, un indicatore che il modello non è solo preciso in media, ma anche molto stabile e coerente in tutte le sue predizioni. La curva della stima del SOC segue così fedelmente la curva del valore reale che le deviazioni sono quasi impercettibili, anche durante transizioni dinamiche come il passaggio dal carico alla scarica.
L’importanza di questo progresso va ben oltre il semplice comfort del conducente. Un BMS dotato di un modello come ISSA-KELM può gestire la batteria in modo molto più intelligente, prolungandone la vita utile evitando cicli di carica e scarica dannosi. È anche fondamentale per tecnologie emergenti come la ricarica intelligente (smart charging) e la funzione Veicolo alla Rete (V2G), dove i veicoli elettrici restituiscono energia alla rete elettrica. Perché queste operazioni siano possibili e sicure, la rete elettrica ha bisogno di conoscere con assoluta certezza quanta energia è disponibile in ogni veicolo. Una stima inesatta del SOC potrebbe portare a compromettere l’integrità della batteria del veicolo o a causare malfunzionamenti nel bilanciamento energetico della rete.
Un altro vantaggio chiave del modello ISSA-KELM è la sua praticabilità. A differenza dei modelli di intelligenza artificiale più pesanti, come le reti neurali profonde, il KELM è intrinsecamente leggero e veloce. Questo, unito all’efficienza dell’algoritmo ISSA, significa che il modello può essere eseguito in tempo reale sui microcontrollori a basso consumo che si trovano nei BMS attuali. Non richiede hardware specializzato né grandi quantità di memoria, il che lo rende una soluzione altamente scalabile ed economica per l’industria automobilistica.
Inoltre, il modello utilizza solo tre ingressi che sono già disponibili in tutti i veicoli elettrici: tensione, corrente e temperatura. Non ha bisogno di sensori aggiuntivi né di lunghi periodi di riposo per misurare la tensione a circuito aperto, il che lo rende adatto per un uso continuo durante la guida. Questa semplicità di implementazione è un fattore decisivo per la sua adozione da parte dei costruttori di automobili.
Anche se lo studio si è concentrato su batterie LFP, l’approccio metodologico è universale. Con aggiustamenti nei dati di addestramento e negli intervalli dei parametri, il modello ISSA-KELM potrebbe essere adattato ad altre chimiche di batterie, come il nichel-manganese-cobalto (NMC), utilizzate in veicoli ad alte prestazioni. I ricercatori suggeriscono anche che futuri sviluppi potrebbero incorporare lo stato di salute (SOH) della batteria come un ingresso aggiuntivo, creando un sistema di gestione ancora più completo e predittivo.
In sintesi, il modello ISSA-KELM rappresenta un progresso significativo nell’ingegneria delle batterie per veicoli elettrici. Combina la potenza dell’intelligenza artificiale con un’ottimizzazione algoritmica ispirata alla natura per risolvere un problema tecnico fondamentale. Nel farlo, non migliora solo la precisione di una metrica chiave, ma getta anche le basi per un futuro della mobilità elettrica più sicuro, efficiente e affidabile. Mentre l’industria continua la sua transizione verso l’elettrificazione, innovazioni come questa, che migliorano l’intelligenza del sistema dall’interno, saranno tanto importanti quanto i progressi nella chimica delle batterie o nell’infrastruttura di ricarica.
Chen Baihan, Yang Wei, Wan Wenxin, Liu Chuang, State Grid Jingmen Power Supply Company, Northeast Electric Power Technology, DOI: 10.12061/j.issn.1004-7913.2024.08.001